Upload
brian-garcia
View
265
Download
8
Embed Size (px)
Citation preview
1
PARTIAL LEAST SQUARE
2
Pengantar (1) PLS pertama kali dikembangkan oleh
Herman Wold PLS dikembangkan sebagai alternatif
PEMODELAN PERSAMAAN STUKTURAL yg dasar teorinya lemah
Indikator dari Variabel Laten tidak memenuhi model refleksif, akan tetapi formatif Variabel Laten bisa berupa hasil pencerminan indikatornya,
diistilahkan dengan indikator refleksif. Variabel Laten bisa dibentuk (disusun) oleh indikatornya,
diistilahkan dengan indikator formatif
3
Kondisi Sosial
Keluarga
Bangunan Rumah
Kondisi Ekonomi Keluarga
Y21 Y22 Y23
Sikap thdp Sekolah
Kejuruhan
Pengantar (2)
Pekerjaan
Pendidikan
Pendapatan
Keluarga yg Bekerja
Pengeluaran
Minat thdp Sekolah
Kejuruhan
Y11 Y12 Y13
4
Pengantar (3)Pendidikan
Bangunan Tempat Tinggal
Rasio Densitas Keluarga per Luas Lantai
Faktor Status Sosial Keluarga
Pendorong ke Luar Negeri
Penarik yang berasal dari Luar
Negeri
Ikut Keluarga / kawan
Motivasi Kerja ke Luar Negeri
PendapatanKeluarga
Pengeluaran Keluarga
Jumlah Angg. Keluarga yg
Bekerja
Faktor EkonomiKeluarga
KesejahteraanKeluarga
Kesehatan Kekayaan
Minat Kembali ke Luar Negeri
Diri Sendiri Orang Lain
5
PLS dapat digunakan sebagai konfirmasi teori (theoritical testing) dan merekomendasikan hubungan yang belum ada dasar teorinya (eksploratori)
SEM (software: AMOS, LISREL) berbasis kovarian, sedangkan PLS (software: SmartPLS atau Visual PLS) berbasis varian
PLS mampu menghindari: inadmissible solution: model rekursif factor indeterminacy: indikator formatif
Pengantar (4)
6
Metode PLS
PEMODELAN di dalam PLS: Inner model model struktural yang
menghubungkan antar variabel laten Outer model model pengukuran yang
menghubungkan indikator dengan variabel latennya
7
Refleksif
Formatif
FaktorUtama 1
x1
x2
x3
e1
e3
e2
zeta1 FaktorKomposit 1
x1
x2
x3
Indikator
8
Indikator Model Refleksif Contoh model indikator refleksif adalah Variabel yang
berkaitan dengan sikap (attitude) dan niat membeli (purchase intention).
Sikap umumnya dipandang sebagi respon dalam bentuk favorable (menguntungkan) atau unfavorable (tidak menguntungkan) terhadap suatu obyek dan biasanya diukur dengan skala multi item dalam bentuk semantik differences seperti, good-bad, like-dislike, dan favorable-unfavorable.
Sedangkan niat membeli umumnya diukur dengan ukuran subyektif seperti how likely-unlikely, probable-improbable, dan/atau possible-impossible.
9
Ciri-ciri model indikator reflektif
Arah hubungan kausalitas dari variabel laten ke indikator
Antar indikator diharapkan saling berkorelasi (instrumen harus memiliki internal consistency reliability)
Menghilangkan satu indikator, tidak akan merubah makna dan arti variabel yg diukur
Kesalahan pengukuran (error) pada tingkat indikator
10
Indikator Model Formatif Contoh model indikator formatif adalah di bidang
ekonomi, seperti index of sustainable economics welfare, the human development index, the quality of life index.
Variabel laten dengan model indikator formatif berupa variabel komposit Variabel Status Sosial Ekonomi, diukur berdasarkan
indikator yang saling mutually exclusive: Pendidikan, Pekerjaan dan Tempat Tinggal
Variabel kualitas pelayanan dibentuk (formatif) oleh 5 dimensi: tangible, reliability, responsive, emphaty dan assurance.
11
Ciri-ciri model indikator formatif
Arah hubungan kausalitas dari indikator ke variabel laten
Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji reliabilitas konsistensi internal)
Menghilangkan satu indikator berakibat merubah makna dari variabel laten
Kesalahan pengukuran berada pada tingkat variabel laten (zeta)
12
Notasi pada PLS
13
Notasi pada PLS
= Ksi, variabel latent eksogen = Eta, variabel laten endogen x = Lamnda (kecil), loading faktor variabel latent eksogen y = Lamnda (kecil), loading faktor variabel latent endogen x = Lamnda (besar), matriks loading faktor variabel latent eksogen y = Lamnda (besar), matriks loading faktor variabel laten endogen = Beta (kecil), koefisien pngruh var. endogen terhadap endogen = Gamma (kecil), koefisien pngruh var. eksogen terhadap
endogen = Zeta (kecil), galat model = Delta (kecil), galat pengukuran pada variabel laten eksogen = Epsilon (kecil), galat pengukuran pada variabel latent endogen
14
LANGKAH-LANGKAH PLSMerancang Model Struktural
(inner model)
Merancang Model Pengukuran (outer model)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Koef. Jalur, Loading dan Weight
Evaluasi Goodness of Fit
Pengujian Hipotesis (Resampling Bootstraping)
1
2
3
4
5
6
7
15
LANGKAH KE-1
MERANCANG INNER MODELPada SEM perancangan model adalah berbasis teori, akan tetapi pada PLS bisa berupa: Teori Hasil penelitian empiris Analogi, hubungan antar variabel pada bidang ilmu
yang lain Normatif, misal peraturan pemerintah, undang-undang,
dan lain sebagainya Rasional
PLS: Bisa ekplorasi hubungan antar variabel
16
LANGKAH KE-2
MERANCANG OUTER MODEL Pada SEM semua bersifat refleksif, model
pengukuran tidak penting (sudah terjamin pada DOV)
Pada PLS perancangan outer model sangat penting: refleksif atau formatif
Dasar: teori, penelitian empiris sebelumnya, atau rasional
17
TAHAP KE-3KONSTRUKSI DIAGRAM JALUR
18
Outer model Untuk variabel latent eksogen 1 (reflektif)
x1 = x1 1 + 1 x2 = x2 1 + 2 x3 = x3 1 + 3
Untuk variabel latent eksogen 2 (formatif) 2 = x4 X4 + x5 X5 + x6 X6 + 4
Untuk variabel latent endogen 1 (reflektif) y1 = y1 1 + 1 y2 = y2 1 + 2
Untuk variabel latent endogen 2 (reflektif) y3 = y3 2 + 3 y4 = y4 2 + 4
LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN
19
Inner model : 1 = 11 + 22 + 1
2 = 11 + 31 + 42 + 2
LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN
20
Pendugaan parameter : Weight estimate yang digunakan untuk menghitung data
variabel laten Estimasi jalur (path estimate) yang menghubungkan antar
variabel laten (koefisien jalur) dan antara variabel laten dengan indikatornya (loading)
Berkaitan dengan means dan lokasi parameter (nilai konstanta regresi) untuk indikator dan variabel laten.
Metode estimasi PLS: OLS dengan teknik iterasi Interaction variable
Pengukuran untuk variabel moderator, dengan teknik : menstandarkan skor indikator dari variabel laten yang dimoderasi dan yang memoderasi, kemudian membuat variabel laten interaksi dengan cara mengalikan nilai standar indikator yang dimoderasi dengan yang memoderasi
LANKAH KE-5
21
LANGKAH KE-6GOODNESS OF FIT - OUTER MODEL
Outer model refleksif : Convergent dan discriminant validity Composite realibility
Outer model formatif : dievaluasi berdasarkan pada substantive
content-nya yaitu dengan melihat signifikansi dari weight
22
GOODNESS OF FIT - OUTER MODEL
Convergent validity Nilai loading 0.5 sampai 0.6 dianggap cukup,
untuk jumlah indikator dari variabel laten berkisar antara 3 sampai 7
Discriminant validity Direkomendasikan nilai AVE lebih besar dari 0.50.
2
2AVEvar( )i
i ii
23
GOODNESS OF FIT - OUTER MODEL
Composite reliability Nilai batas yang diterima untuk tingkat reliabilitas
komposit (ρc) adalah ≥ 0.7, walaupun bukan merupakan standar absolut.
2
2
( )( ) var( )ii
ic
i
24
GOODNESS OF FIT - INNER MODEL
Diukur menggunakan Q-Square predictive relevance
Rumus Q-Square:
Q2 = 1 – ( 1 – R12) ( 1 – R2
2 ) ... ( 1- Rp2 )
dimana R12 , R2
2 ... Rp2 adalah R-square
variabel endogen dalam model Interpretasi Q2 sama dg koefisien determinasi
total pada analisis jalur (mirip dengan R2 pada regresi)
25
LANGKAH KE-7PENGUJIAN HIPOTESIS Hipotesis statistik untuk outer model:
H0 : λi = 0 lawanH1 : λi ≠ 0
Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen:
H0 : γi = 0 lawanH1 : γi ≠ 0
Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen:
H0 : βi = 0 lawanH1 : βi ≠ 0
Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan Outter model signifikan: indikator bersifat valid Inner model signifikan: terdapat pengaruh signifikan PLS tidak mengasumsikan data berdistribusi normal:
menggunakan teknik resampling dengan metode Bootstrap
26
ASUMSI PLS
Asumsi di dalam PLS hanya berkaitan dengan pemodelan persamaan struktural:
Hubungan antar variabel laten dalam inner model adalah linier dan aditif
Model srtuktural bersifat rekursif.
27
SAMPLE SIZE
Ukuran sampel dalam PLS, dengan perkiraan sebagai berikut:
Sepuluh kali jumlah indikator formatif (mengabaikan indikator refleksif)
Sepuluh kali jumlah jalur (paths) yang mengarah pada model struktural
Sample size: 30 – 50 atau besar > 200
28
SOFTWARE PLS Software PLS pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984, 1987,
1989) under DOS dan disebut LVPLS Versi 1.8 (Latent Variable Partial Least Square), dapat didownload di http://kiptron.psyc.virginia.edu. Software ini dikembangkan lebih lanjut oleh Wynne W Chin (1998, 1999, 2001) menjadi under windows dengan tampilan grafis dan tambahan perbaikan teknik validasi dengan memasukkan bootstrapping dan jacknifing. Software yang dikembangkan oleh Chin diberi nama PLS GRAPH versi 3.0, versi student dapat didownload secara gratis di www.bauer.uh.edu. Versi student ini mampu mengolah maksimum 30 variabel.
Di University of Hamburg Jerman juga dikembangkan software PLS yang diberi nama SmartPLS. Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkan lagi ke versi 2.0 dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3. Pengembangan software ini meliputi perbaikan tampilan, penambahan fasilitas untuk efek moderator, tambahan report / output yakni communality, redundancy, dan Alpha Cronbach. Software SmartPLS dapat didownload secara gratis di www.smartpls.de.
Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University, Taiwan, yang diberi nama VPLS (VisualPLS). Software ini dapat didownload secara gratis di http://www2.kuas.edu.tw.
Software lain yang dapat menjalankan PLS melalui tampilan grafis adalah PLS-GUI yang dikembangkan oleh Yuan Li dari Management Science Department, The More School of Business, University of South Carolina. Software ini dapat di download gratis dari http://dmsweb.badm.sc.edu.
29
PERBANDINGAN ANTARA ANALISIS PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Landasan Teori Kuat Kuat maupun Lemah, bahkan eksploratif
Kuat
Bentuk hubungan antar variabel
Linier Linier Linier
Model Struktural Rekursif Rekursif Rekursif dan Nonrekursif
Asumsi Distribusi Normal Tidak diperlukan; pendekatan resampling dengan Bootstrapping
-Normal atau -Tidak diperlukan; pendekatan resampling dengan Bootstrapping
Model pengukuran Di luar pemodelan - Refleksif - Formatif
Refleksif
- Total Skor- Rata-rata Skor- Rescoring- Skor Faktor
- Skor Komponen Utama- Indikator Terkuat
30
PERBANDINGAN ANTARA ANALISIS PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Ukuran Sampel Sampel minimal 10 kali jumlah variabel (rule of tumb dari multivariate abalysis)
Sampel minimal 30-50 atau sampel besar di atas 200
Sampel minimal direkomendasikan 100-200
Modifikasi Model Tidak ada modifikasi Tidak memerlukan modifikasi indeks, korelasi antar indikator
Jika model tidak fit, dapat dilakukan modifikasi, dengan penuntun berupa indeks modofikasi
Goodness of fit Koefisien determinasi total Q-Square predictive relevance, yang pada dasarnya adalah sama dengan Koefisien determinasi total
RMSEA,Chisquare/DF, dll (terdapat sebanyak 26 jenis goodness of fit)
Pengujan model Theory Triming, membuang jalur yang nonsignifikan
Theory Triming, membuang jalur yang nonsignifikan
Theory Triming, membuang jalur yang nonsignifikan
Output Faktor determinan, pengujian model
Faktor determinan dan model struktural, pengujian model, uji Validitas dan Reliabilitas
Faktor determinan dan model struktural, pengujian model, uji Validitas dan Reliabilitas
31
Terima kasih